导读:本文包含了雷达目标识别论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:卷积,神经网络,目标,距离,孔径,无源,毫米波。
雷达目标识别论文文献综述
李士国,张瑞国,孙晶明,孙俊[1]（2019）在《基于深度学习的雷达自动目标识别架构研究》一文中研究指出针对深度学习运用于雷达目标识别时存在的数据量欠缺和数据人工标注难等问题,提出将传统目标识别方法与人工智能技术结合,建立面向应用的新的目标识别架构,通过融合处理以及基于传统方法的机器自动标注,获得更优越的识别效果,大幅减少人工标注的工作量,确保系统在低数据量、低标注数据下仍可维持一定的识别效果。雷达实测数据证明了该识别框架的有效性。(本文来源于《现代雷达》期刊2019年11期）
蔺美青,蔡轶[2]（2019）在《无源雷达目标识别的神经网络模型构建》一文中研究指出针对当前无源雷达目标识别存在的识别率低和容错性不足等问题,构建了一个基于BP神经网络的目标识别模型。围绕无源雷达目标识别效率提升和智能解决方案的构设问题,梳理总结了神经元原理、常用神经网络结构、激活函数和学习算法,设计了无源雷达目标识别总体流程,具体构建了神经网络目标识别模型,包括网络结构、隐含层节点数确定等,并给出了样本训练、测试和目标识别的工作流程,为无源雷达目标识别提供了方法途径。最后,给出了一个仿真实例,验证了模型的有效性。(本文来源于《雷达科学与技术》期刊2019年05期）
胡红萍,李洋洋,白艳萍[3]（2019）在《基于卷积神经网络与随机森林的合成孔径雷达目标识别》一文中研究指出自合成孔径雷达(synthetic aperture radar,SAR)问世以来,就在军事侦察等方面获得了广泛的应用和发展.SAR图像包含大量的相干斑,使得图像识别工作变得相当复杂,因此,在传统的卷积神经网络(Convolutional Neural Network,CNN)的基础上将Softmax分类器替换成随机森林(Random Forest,RF),得到CNN与RF相结合的算法,记为CNN-RF,用以实现SAR目标实别在CNN-RF中,将CNN提取出SAR图像的特征矢量输入RF分类器.实验结果表明,所提出的算法在MSTAR实测数据集上取得了较高的识别准确率,从而说明了实验的有效性.(本文来源于《数学的实践与认识》期刊2019年17期）
何松华,张润民,欧建平,张军[4]（2019）在《基于卷积神经网络的高分辨率雷达目标识别》一文中研究指出提出一种基于卷积神经网络(Convolution Neural Network,CNN)的高分辨率雷达目标识别方法.首先针对小样本应用于深度CNN时训练过程中损失函数值收敛速度慢的问题,利用结合批归一化算法的改进CNN网络对高分辨距离像(High Resolution Range Profile,HRRP)进行自动特征提取;再利用支持向量机(Support Vector Machine,SVM)对距离像特征进行分类.使用军事车辆高保真电磁仿真数据对提出的方法进行验证,识别结果证明了该方法的有效性.(本文来源于《湖南大学学报(自然科学版)》期刊2019年08期）
郭鹏程,刘峥,罗丁利[5]（2019）在《基于两次异常检测的雷达HRRP杂波稳健目标识别方法》一文中研究指出对地目标识别中,目标回波中将不可避免的含有大量杂波,严重影响识别性能。针对该问题,提出了杂波稳健识别方法,该方法首先采用基于球形假设聚类的异常检测方法,完成小簇杂波的抑制;然后利用参数非依赖局部异常因子异常检测法对剩余散射点进行异常检测,完成点杂波的抑制;最后利用杂波抑制后的高分辨距离像进行特征提取和目标识别。本文方法对目标是否运动无要求,算法涉及参数不需要人为设定。实测数据验证表明,所提方法的识别率优于传统方法,随着信杂噪比降低识别性能稳健,且运算量较小。(本文来源于《系统工程与电子技术》期刊2019年10期）
胡显,姚群力,侯冰倩,宋红军,雷宏[6]（2019）在《基于卷积神经网络的合成孔径雷达图像目标识别》一文中研究指出为了解决现有合成孔径雷达(SAR)图像目标识别算法识别率不高、泛化能力不足的问题,提出一种基于卷积神经网络的SAR图像目标识别模型CMNet网络。通过设计针对SAR图像特点的特征提取网络,在损失函数中引入中心损失与Softmax损失联合监督训练过程,兼顾类内聚合和类间分离,提高算法精度和泛化能力。网络模型中所有卷积层后引入批量归一化层加快模型收敛速度、防止过拟合。实验使用美国运动和静止目标获取与识别数据库进行测试,10类目标平均识别率达到99. 30%。结果表明,提出的CMNet网络模型具有较高的识别率和泛化能力,在公开数据集上取得较好结果。(本文来源于《科学技术与工程》期刊2019年21期）
王彩云,黄盼盼,李晓飞,王佳宁,赵焕玥[7]（2019）在《基于AEPSO-SVM算法的雷达HRRP目标识别》一文中研究指出针对雷达自动目标识别中的高分辨距离像(high resolution range profile,HRRP)识别问题,提出自适应进化粒子群(adaptive evolution particle swarm optimization,AEPSO)算法优化支持向量机(support vector machine,SVM)的目标分类识别方法。该算法利用非线性自适应惯性权重的调整以适应粒子寻优的非线性变化过程,采用分阶段调节加速因子增强粒子在进化过程中的学习能力,通过引入局部搜索算子在增加粒子多样性的同时有效避免了粒子陷入局部最优陷阱。通过改进的PSO算法优化SVM参数,建立分类识别器模型。将该AEPSO-SVM模型应用到雷达HRRP目标识别中,实验结果表明,该算法对于高分辨雷达目标识别精度高、鲁棒性强。(本文来源于《系统工程与电子技术》期刊2019年09期）
郭晨,简涛,徐从安,何友,孙顺[8]（2019）在《基于深度多尺度一维卷积神经网络的雷达舰船目标识别》一文中研究指出为满足雷达舰船目标识别的高实时性和高泛化性的需求,该文提出了一种基于深度多尺度1维卷积神经网络的目标高分辨1维距离像(HRRP)识别方法。针对高分辨1维距离像特征提取难的问题,所提方法通过共享卷积核的权值,使用多尺度的卷积核提取不同精细度的特征,并构造中心损失函数来提高特征的分辨能力。实验结果表明,该模型可以显着提高目标在非理想条件下的识别正确率,克服目标姿态角敏感性问题,具有良好的鲁棒性和泛化性。(本文来源于《电子与信息学报》期刊2019年06期）
王春松[9]（2019）在《基于智能车的毫米波雷达多目标识别算法设计及应用研究》一文中研究指出交通体系的主体为汽车,汽车的智能化将提高汽车的主动安全,缓解道路交通拥堵、减少道路交通事故。毫米波雷达作为智能汽车的主要传感器之一,对汽车的主动安全起到重要作用。本文基于RKB1102I和RKA1201型号的雷达套件设计了毫米波雷达系统的信号处理算法,重点研究恒虚警检测算法、多目标识别算法、雷达系统的编程实现和雷达系统的性能测试。主要研究工作包括以下几点:(1)对雷达系统各个模块的算法进行设计并基于MATLAB搭建仿真进行验证。首先,设计FIR滤波器,由于雷达信号受到外部环境和内部元件的干扰,存在高频的噪声,所以设计FIR滤波器。其次,设计恒虚警检测算法,多目标识别时,存在很多干扰目标,增加了虚警率,对CMLD-CFAR算法进行改进,加入反馈机制,提出CMLFD-CAFR算法,降低虚警率,检测出准确的目标频谱峰值。最后,设计多目标的配对算法,由于变周期对称叁角波多目标配对算法的计算量大,在此基础上利用两个不同叁角波信号的关联性,压缩配对的范围,降低计算量。通过仿真验证算法的可行性和有效性,为在工程上应用打下基础。(2)基于MCU设计毫米波雷达原型系统。在MCU中完成控制射频的产生和雷达信号的处理,设计的模块程序包括:调制信号模块、AD采样模块、FFT模块、滤波模块、通信模块。在调制信号模块中,对DAC调制方式进行分析和实现,生成雷达的调制信号。在AD采样模块中,对采样模块进行分析,根据雷达测距范围设计采样频率和数据位,通过ADC实现采集差拍信号。对FFT变换的特性进行研究,并分析它的栅栏效应、频谱泄露、频率混迭,设置合适的FFT变换点数和频率分辨率,实现对差拍信号的傅里叶变换。通过MCU对雷达芯片初始化,驱动雷达工作。最后,将计算的目标参数通过通信模块实时传输到PC机上。(3)对毫米波雷达系统进行验证与测试。通过频谱分析仪测量出目标对应的频率,根据雷达距离公式计算出目标的距离,和把差拍信号导入MATLB中计算的结果比较,验证信号处理算法的有效性。然后,对24GH毫米波雷达系统整机调试,设置不同的测试场景,分别对单目标和多目标测试,并对测试结果分析,验证了雷达信号处理系统的稳定性和准确性。(本文来源于《河南大学》期刊2019-06-01）
武军安,郭锐,刘荣忠,柯尊贵[10]（2019）在《用于弹载线阵激光雷达的卷积神经网络目标识别》一文中研究指出为了提高末敏弹在复杂背景条件下对装甲目标的识别能力,将线阵激光雷达作为探测器,结合卷积神经网络对线阵激光雷达距离像进行目标分类与识别.利用末敏弹边旋转边下降的运动特点,实现对扫描区域的距离成像,并通过采样率控制及插值等算法将原始距离像构造成适用于卷积神经网络的灰度像.针对弹载高实时性、小体积和低功耗的要求,建立了由两层卷积层和一层全链接层构成的浅层卷积网络,选用Xilinx ZYNQSoC芯片作为硬件平台,通过基于HLS技术和SDSoC开发环境将卷积操作放在端进行硬件并行加速.缩比模拟试验结果验证了该方法具有较高的目标识别精度,对复杂背景下的装甲目标也能有效识别.ZYNQSoC的PL硬件相较于普通CPU方案,加速性能提升了5倍,能够满足弹载的要求.(本文来源于《光子学报》期刊2019年07期）
雷达目标识别论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
针对当前无源雷达目标识别存在的识别率低和容错性不足等问题,构建了一个基于BP神经网络的目标识别模型。围绕无源雷达目标识别效率提升和智能解决方案的构设问题,梳理总结了神经元原理、常用神经网络结构、激活函数和学习算法,设计了无源雷达目标识别总体流程,具体构建了神经网络目标识别模型,包括网络结构、隐含层节点数确定等,并给出了样本训练、测试和目标识别的工作流程,为无源雷达目标识别提供了方法途径。最后,给出了一个仿真实例,验证了模型的有效性。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
雷达目标识别论文参考文献
[1].李士国,张瑞国,孙晶明,孙俊.基于深度学习的雷达自动目标识别架构研究[J].现代雷达.2019
[2].蔺美青,蔡轶.无源雷达目标识别的神经网络模型构建[J].雷达科学与技术.2019
[3].胡红萍,李洋洋,白艳萍.基于卷积神经网络与随机森林的合成孔径雷达目标识别[J].数学的实践与认识.2019
[4].何松华,张润民,欧建平,张军.基于卷积神经网络的高分辨率雷达目标识别[J].湖南大学学报(自然科学版).2019
[5].郭鹏程,刘峥,罗丁利.基于两次异常检测的雷达HRRP杂波稳健目标识别方法[J].系统工程与电子技术.2019
[6].胡显,姚群力,侯冰倩,宋红军,雷宏.基于卷积神经网络的合成孔径雷达图像目标识别[J].科学技术与工程.2019
[7].王彩云,黄盼盼,李晓飞,王佳宁,赵焕玥.基于AEPSO-SVM算法的雷达HRRP目标识别[J].系统工程与电子技术.2019
[8].郭晨,简涛,徐从安,何友,孙顺.基于深度多尺度一维卷积神经网络的雷达舰船目标识别[J].电子与信息学报.2019
[9].王春松.基于智能车的毫米波雷达多目标识别算法设计及应用研究[D].河南大学.2019
[10].武军安,郭锐,刘荣忠,柯尊贵.用于弹载线阵激光雷达的卷积神经网络目标识别[J].光子学报.2019
论文知识图
